pdfMB

PDF 转文本

按阅读顺序提取 PDF 中的全部文字，并连成段落。可以复制，也可以下载 .txt 文件。文件会留在这台设备上。

  • 不上传文件始终留在这台设备上。
  • 原文件保持不变你下载的是一份新副本，原文件不会被修改。
  • 免费，无需注册无需账号，也没有每日次数限制。

你的文件会经过哪些处理

以下所有步骤都在你的浏览器里、在你自己的设备上完成。PDF 不会上传，所以包括我们在内，任何人都看不到它。

  1. 浏览器用 pdf.js（Firefox 内置的 PDF 查看器）打开 PDF，读取每一段文字及其位置和大小。
  2. 同一行上的文字片段会连成一行，行再连成段落，所以不会每隔几个词就硬换行。在行尾用连字符断开的单词也会重新接上。
  3. 两栏或三栏的页面会逐栏读取。从 PDF 查看器复制时，各栏常常会一行一行地混在一起。
  4. 在大多数页面顶部或底部重复出现的行，例如书眉和页码，可以去掉，以免打断句子。
  5. 表格的每一行变成一行文字，单元格之间用制表符分隔，所以粘贴到电子表格时会落在正确的列里。
  6. 有些 PDF（通常是从网页浏览器保存的）会把某些字符标记为“没有字符”。在泰文里，这些通常是元音上方的声调符号。pdfMB 会根据文件内的字体把它们补回来。
  7. 没有文字的页面（例如扫描件）可以用和“OCR PDF”相同的 OCR 引擎读取。只需下载语言数据，而且只下载一次。
  8. .txt 文件会以 UTF-8 保存在你的设备上，所以任何语言都能完整保留；也可以把文字复制到剪贴板。
简要步骤
  1. 选择 PDF
  2. 点击“转换为文本”
  3. 检查预览
  4. 复制或下载 .txt 文件

如何从 PDF 中提取文字

  1. 选择一个 PDF，或把它拖到框里。pdfMB 会读取每一页，并告诉你有没有不含文字的扫描页面。
  2. 如果有扫描页面，请保持“识别扫描页面的文字（OCR）”为打开状态，并选择文档的语言。
  3. 点击“转换为文本”。进度条会显示完成了多少。
  4. 检查预览。你可以选择保留或去掉页眉页脚、标出每一页的开头，或者切换为 Markdown 来保留标题和表格。
  5. 点击“全部复制”把文字粘贴到别处，或下载 .txt 文件。

为什么复制出来的泰文经常丢失声调符号

泰文字体里的声调符号有不止一种字形：一种是位置较高、叠在上方元音之上的，例如 ที่ 或 น้ำ；另一种是普通位置的。PDF 会记录画的是哪个字形，以及一张说明每个字形代表哪个字符的对照表。

从 Chrome、Edge 等 Chromium 浏览器保存的 PDF，这张对照表经常把位置较高的字形标为“什么都不是”。复制文字，或使用完全相信这张表的工具，就会丢掉声调符号，น้ำ（水）就变成了 นำ（引导）。

我们用一篇从 Chrome 保存的 35 页泰文维基百科文章做测试，其中有 1,915 个声调符号被这样标记。pdfMB 从文件内的字体中找到正确的符号，4,911 个声调符号全部完整保留。

常见用途

重新利用自己写的内容

把旧报告、信件或简历的文字从 PDF 中取出来，在任何程序里编辑。

翻译

把整段文字粘贴到翻译工具里，而不是一句话断在中间的一行行文字。

搜索和计数

在文本编辑器里搜索长文档、统计字数，或比较两个版本。

泰文文档

复制保留声调符号的泰文文字，即使是从网页浏览器保存的 PDF 也可以。

做不到的事

  • 只保留文字，图片、图表和图形不会包含在内。如需保存，请用“PDF 转 JPG”。
  • 粗体、斜体、标题和链接都会变成普通文字。如需保留，请用“PDF 转 Markdown”。
  • 不会保留文字在页面上的确切位置。文本框和页边的文字会放进段落的顺序里。
  • 公式会以纯文本输出，上标和下标也会放在同一行。
  • 阿拉伯文、希伯来文等从右往左书写的语言还没有经过充分测试，请仔细检查结果。
  • 有密码保护的 PDF，以及所有者禁止复制的 PDF，都无法转换。

关于把 PDF 转成文本的常见问题

我的 PDF 会被上传吗？

不会。pdfMB 在你的浏览器里读取文件，文件绝不会离开你的设备。你可以在浏览器的网络工具中自行确认。

为什么不直接从 PDF 查看器复制？

大多数查看器是一行一行复制的，所以每行末尾都有换行，各栏会混在一起，用连字符断开的单词也还是断开的。pdfMB 会把行连成段落、按顺序读取各栏，还可以去掉页眉和页码。

会保留泰文的声调符号吗？

会。有些 PDF 把声调符号标记为“没有字符”，pdfMB 也会把它们补回来。在我们的测试中，一篇 35 页泰文文章的 4,911 个声调符号全部完整保留。

能读取扫描的 PDF 吗？

可以。打开 OCR 并选择语言。请检查结果，因为 OCR 可能会认错人名和数字。

.txt 文件是什么编码？

UTF-8，所有现代编辑器都能打开，包括 Notepad、TextEdit 和 VS Code。所有语言和符号都会保留。

有页数或大小限制吗？

没有固定的限制。文档越长，需要的时间越久；非常大的文件在部分手机上可能会内存不足。